学位论文 > 优秀研究生学位论文题录展示
基于SVM的图像分类研究
作 者: 武伟
导 师: 张明新
学 校: 西北师范大学
专 业: 计算机应用技术
关键词: 支持向量机 图像分类 多类分类 特征提取 遗传算法 K近邻
分类号: TP391.41
类 型: 硕士论文
年 份: 2009年
下 载: 413次
引 用: 2次
阅 读: 论文下载
内容摘要
随着数码设备、网络及多媒体技术的发展,人们在工作、学习和日常生活中产生的图像数据呈现了爆炸式的增长方式,如何合理而又高效地组织海量的图像数据、结合图像低层特征,将数字图像进行分类和检索是目前的一个研究热点之一。支持向量机(Support Vector Machine,SVM)是上世纪九十年代提出的一种基于小样本的新的统计学习方法,较好地解决了非线性、高维数、局部极小点等实际问题。由于其具有全局最优、结构简单、推广能力强等优点,支持向量机被认为是一种高效的有优越表现的分类器,因此基于SVM的图像分类成为图像分类的重要理论和技术。本文所做的研究工作主要包括以下几方面:1.鉴于单一视觉特征不能很好地表达图像内容,提取了融合颜色、纹理、空间关系的综合特征作为SVM的输入向量。2.结合结构风险最小化原则分析了误差惩罚参数C和高斯核宽度s对SVM性能的影响,在此基础上提出了基于遗传算法的SVM参数优选方法,实验结果表明由该方法所得参数确定的SVM具有较优的识别率和较简单的结构。3.总结了目前存在的基于支持向量机的各类主要分类方法,包括“一对多”方法、“一对一”方法、决策有向无环图方法、基于二叉树的支持向量机多类分类方法和其它几种方法,比较了他们的优缺点以及性能。接下来本文提出了基于GA(遗传算法)和KNN(K近邻)的SVM多类分类算法,训练时利用遗传算法对SVM分类树结构进行优化,生成最优(较优)分类树;在分类时,对于分类树下层可分性差的类别,采用SVM与KNN相结合的方法进行判别。实验表明,与传统方法相比,本文提出的方法分类精度更高,生成的分类树结构更合理。
|
全文目录
摘要 4-5 Abstract 5-9 第一章 绪论 9-16 1.1 课题研究的背景和意义 9-10 1.2 研究现状 10-13 1.2.1 分类方法研究现状 10-12 1.2.2 支持向量机研究现状 12-13 1.3 论文的主要研究内容 13-14 1.4 论文的组织结构 14-16 第二章 统计学习理论和支持向量机 16-29 2.1 统计学习理论 17-20 2.1.1 学习过程一致性条件 17-18 2.1.2 VC 维 18 2.1.3 推广性的界 18-19 2.1.4 结构风险最小化 19-20 2.2 支持向量机 20-29 2.2.1 线性可分支持向量机 20-22 2.2.2 线性不可分支持向量机 22-23 2.2.3 非线性支持向量机 23-24 2.2.4 SVM 核函数 24 2.2.5 SVM 的优点与不足 24-25 2.2.6 SVM 训练算法简介 25-26 2.2.7 SVM 学习算法步骤 26-27 2.2.8 基于SVM 的图像分类体系结构 27-29 第三章 图像特征提取与表达 29-40 3.1 颜色特征 29-35 3.1.1 颜色空间 29-31 3.1.2 颜色矢量的量化 31-34 3.1.3 颜色特征提取 34-35 3.2 空间特征 35-36 3.3 纹理特征 36-38 3.3.1 描述纹理的方法 36-37 3.3.2 灰度共生矩阵法 37-38 3.4 特征向量归一化 38-40 第四章 SVM 分类模型参数优选 40-51 4.1 遗传算法 40-42 4.1.1 遗传算法发展史 40 4.1.2 遗传算法的应用 40-41 4.1.3 遗传算法概要 41 4.1.4 遗传算法操作步骤 41-42 4.2 SVM 参数对其性能的影响 42-43 4.3 穷举法 43 4.4 基于遗传算法的SVM 分类模型参数优选 43-46 4.4.1 编码解码方式及编码区间的选择 43 4.4.2 适应度函数的设计 43-44 4.4.3 选择操作 44 4.4.4 交叉操作 44-45 4.4.5 变异操作 45 4.4.6 停止条件 45-46 4.4.7 算法流程 46 4.5 实验与结果分析 46-51 第五章 SVM 多类分类算法研究 51-63 5.1 引言 51 5.2 基于支持向量机的多类分类器的构造与比较 51-56 5.2.1 一次性求解法 51-52 5.2.2 通过组合多个二值分类器来构造多类分类器 52-56 5.2.3 SVM 多类分类算法比较 56 5.3 基于GA 和KNN 的SVM 多类分类算法 56-63 5.3.1 训练过程 57-59 5.3.2 分类过程 59-60 5.3.3 实验与结果分析 60-63 第六章 总结和展望 63-64 6.1 总结 63 6.2 下一步工作展望 63-64 参考文献 64-68 攻读硕士期间发表的学术论文 68 攻读硕士期间参与的科研项目 68-69 致谢 69
|
相似论文
- 天然气脱酸性气体过程中物性研究及数据处理,TE644
- 基于SVM的常压塔石脑油干点软测量建模研究,TE622.1
- 压气机优化平台建立与跨音速压气机气动优化设计,TH45
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 音乐结构自动分析研究,TN912.3
- 基于三维重建的焊点质量分类方法研究,TP391.41
- 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
- Q学习在基于内容图像检索技术中的应用,TP391.41
- 直推式支持向量机研究及其在图像检索中的应用,TP391.41
- 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
- 空间交会接近视觉测量方法研究,TP391.41
- 图像实时采集、存储与处理方法研究,TP391.41
- 唇读中的特征提取、选择与融合,TP391.41
- 多币种纸币处理技术的研究与实现,TP391.41
- 基于类Harr特征和最小包含球的纸币识别方法的研究,TP391.41
- 基于图像的路面破损识别,TP391.41
- 移动机器人视觉检测和跟踪研究,TP242.62
- 高光谱与高空间分辨率遥感图像融合算法研究,TP751
- 基于支持向量机的故障诊断方法研究,TP18
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|